信息来源： RUC数院 中国人民大学数学学院 发布日期：2026年5月31日

01 报告时间

2026年6月1日14:00

02 报告地点

数学学院4108

03 报告名称

空间转录组数据分析方法研究：从表征学习、高分辨率预测到群体水平空间变异基因检测

报告摘要

空间转录组学（ST）为揭示组织结构和理解疾病机制提供了关键技术手段，但仍面临技术噪声、分辨率限制及跨样本群体分析缺乏有效建模工具等挑战。我将分享课题组近期开发针对空转数据的分析与建模方法：一是基因表征学习框架（SIGEL），利用自适应掩码自动编码器捕获基因空间表达特征，高效支持数据填补和差异表达分析等下游任务；二是高分辨率表达预测模型（MicroMap），结合病理组织学图像与深度统计建模，大幅提升了跨切片预测的泛化能力与准确性；三是群体水平空间变异基因（SVG）检测方法（PopSVG），基于贝叶斯层次模型和高效估计策略，首次实现了在线性时间复杂度下对群体级空转数据的SVG准确量化。上述方法有效提升了关键数据挖掘的准确性与跨样本分析的泛化能力，为深入探究复杂组织结构和空间多组学研究提供了高效的计算工具。

专家简介

吴浩，国家级海外人才项目获得者，斯坦福大学全球前2%顶尖科学家，ScholarGPS全球前0.05%顶尖学者。清华大学学士，美国约翰霍普金斯大学博士。研究领域是生物医学AI，聚焦于生物医疗大数据（包括基因组学、电子病历、穿戴设备等）的分析处理算法以及临床诊断应用。至2026年1月，吴博士在国际期刊上共发论文130余篇，总引用量超过22000次（谷歌学者），H指数56。作为主要负责人，吴博士曾多次获得美国科学基金（NSF）、国立卫生研究院 (NIH)、和中国国家自然科学基金的科研项目支持。此外，吴博士培养了30余名博士硕士研究生，其中多名学生现在知名大学或研究机构担任教职。